如何做需求调研？
项目背景分析的几种模型：
1. SET模型
社会Sociocultural、经济Economic、技术Technological，三要素的塔型分析。
例：
2. PEST分析
政治环境Political Factors、经济环境Economic Factors、社会文化环境Sociocultural Fators、技术环境Technological Factors，四个维度的立体分析。
3.SWOT分析
其中S (strengths)是优势、W (weaknesses)是劣势,O (opportunities)是机会、T (threats)是威胁。
4.行业吸引力矩阵
根据“行业、环境、目前优势、持久性”四个吸引力主要要素分析。
关于精准推荐
精准推荐中的常用模型有：交叉销售模型、关联推荐匹配模型、互联网信用模型、电商动态定价模型、信息聚合分类模型等等。
交叉销售
Apriori 算法：Apriori 算法被用来在交易数据库中进行挖掘频繁的子集，然后生成关联规则。常用于市场篮子分析，分析数据库中最常同时出现的交易。通常，如果一个顾客购买了商品 X 之后又购买了商品 Y，那么这个关联规则就可以写为：X -> Y。
关联推荐匹配
建立该模型需要采集的用户数据有基础属性数据如性别、年龄、收入、学历；环境属性数据如手机上网时间、城市、地点、系统平台、语言环境；媒体属性数据如浏览的媒体、浏览的内容、兴趣关注点、当前的需求；消费属性数据如关注品牌、关注产品、消费水平、消费心态等。
互联网信用模型
ARRIORI算法挖掘关联生成关联规则，得出：信用值与好评率、行业、性别、违规操作数、婚否、地区、卖家级别、收入、逾期坏账次数相关
电商动态定价模型
传统动态定价方法以拍卖为主，很难收集客户信息；基于AI技术中机器学习算法的电商动态定价模型则可以充分收集交易数据，并能通过机器学习中无监督的自学习对价格进行调整。
监督学习：已知标签和结果。例：逻辑回归和反向传播神经网络
无监督学习：数据未标记且没有已知结果。例：Apriori算法和k-Means
半监督学习：输入数据是标记和未标记示例的混合。例：分类和回归。
电商动态定价模型举例：大数据杀熟。
信息聚合分类模型
信息杂志化，通过社交网站数据的采集并进行特征归类，自动将每一条信息划归最合适的分类区，大大提高了阅读效率，该模型还可以定期对数据进行自学习与更新，产生新的分类建议。
传统的UTAUT推荐模型
四个核心变量是：努力期望(Effort Expectancy)、绩效期望(PerformanceExpectancy)、社会影响(Social influence)和便利条件(Facilitating Condition)。四个控制变量是：年龄、性别、经验和自愿性。
埋点分析
埋点是数据采集的一种方法，将每个需要统计的点击事件、页面上装摄像头，采集相应的信息和行为。数据埋点分为初级、中级、高级三种方式。按照埋点位置区分，分为客户端（前端）和服务端（后端）两部分埋点。客户端的数据是记录用户的操作行为，如点击、访问路径。服务端的数据是记录用户的具体信息的变化，如作业分数、答案选项、对错情况。
客户端埋点&服务端埋点的优缺点
客户端埋点：
优：搜集页面展示、点击行为，不需要请求服务器的数据
缺：无网络时数据不完整、实时性有延迟；当需要改变埋点时，必须更新版本。
服务端埋点：
优：（1）实时性好，数据准确；（2）变更成本低；（3）能够收集不在APP内发生的行为，只要请求服务器就行。如统计从其他APP引流的安装量。
缺：不能收集不需要请求服务器的数据；用户不联网不能采集数据
代码埋点，嵌入SDK并定义事件添加相应事件的代码：颗粒度细，自定义程度高，可以按需采集，全面且准确。（第三方：友盟）
数据目标：（1）功能分析：主要检验功能的受欢迎程度。（2）业务分析：事件转化、页面访问路径。（3）用户信息：用户画像（4）错误日志
客户端的埋点需求表：
表格列表字段：页面位置、线索名称、事件名称（事件类型_哪一端产品_页面名称_功能名称）、事件类型、事件ID、Key、value、采集时机、备注
同一属性的事件只要设置不同key来区分就行
服务端埋点需求表:
表格列表字段：数据目的、key、value、备注
用户体验的五要素
战略层、范围层、结构层、框架层、表现层。
尼尔森十大可用性原则
用户体验的衡量指标：留存率、费力度（SaaS产品）：费力度是指用户在系统中完成业务的费力程度，费力度并不难计算。它可以计算不同类型的用户（小白用户、普通用户、专家用户）操作业务所花费的时间。再进行控制变量，让同样的用户去在竞品中操作相同业务，计算时间。这样都可以粗略地得到产品的费力度。费力度越低，对用户更友好
其他指标：访客转化率、点击率、平均每位客户营收
竞品分析框架
网友评论